Práctica 4. Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, 2001.
|
|
- Pedro Pérez Río
- hace 6 años
- Vistas:
Transcripción
1 Práctica 4 Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, En esta práctica, analizaremos dos índices financieros, el Dow Jones Industrial Index (DJI) de Nueva York y el All Ordinaries Index (AOS) de Australia. Los datos son precios de cierre diarios de los mercados. Se cuenta con información de 251 días (hasta el 26 de agosto 1994). Cuando la Bolsa de Sydney abre, los datos de New York ya son conocidos. Primero buscaremos modelos univariados para cada uno de estos indices, luego miraremos las predicciones de esos modelos. Después modelizaremos ambas series conjuntamente mediante un modelo VAR y utilizaremos este modelo para hacer predicciones. Luego podremos comparar las predicciones de los modelos univariados con las del modelo bivariante. 1) Seguir los pasos de la metodología Box Jenkins para cada una de la series con la finalidad de determinar el mejor modelo. Tenemos un a priori teórico, basado en mercados eficientes, que sostiene que los modelos adecuados para describir series financieras son modelos I(1) sin ninguna predictibilidad. Primero graficamos las series en niveles y en logarítmos. GENR LAOS=log(AOS) GENR LDJI=log(DJI) No hay mucha diferencia entre las series originales y logarítmicas, por lo cual vamos a trabajar con el logarítmo, dado que es muy conveniente para series financieras.
2 Las autocorrelaciones de las series son las siguientes:
3 Ambos autocorrelogramas decrescen más lentamente que un autocorrelograma estacionario, por lo cual parece adecuado tomar una diferencia. Tomaremos una diferencia regular de los datos, ya que además tenemos razones teóricas para suponer que el modelo adecuado es un paseo aleatorio sin componente previsible, o sea un modelo I(1). Para asegurarnos que tenemos datos I(1), podemos hacer la prueba de Dickey Fuller. En la ventana de la series: View/ Unit Root Test/ Para LDJI:
4 Para LAOS: GENR DLDJI=D(LDJI) GENT DLAOS=D(LAOS) Los gráficos y las autocorrelaciones de las diferencias son:
5 Para DLDJI: Para DLAOS: Se puede ver que los autocorrelogramas de DLDJI y de DLAOS son casi como autocorrelogramas de un ruido blanco, lo que significa que el modelo univariante adecuado para estas series es I(1).
6 2) Utilizar el modelo para hacer predicciones, del periodo 245 al periodo 251 Para LDJI y LAOS, estimaremos un modelo AR(1) ignorando el hecho que nos parece que tiene raíz unitaria: Estimate/ Equation/ LDJI C LDJI(-1) Estimate/ Equation/ LAOS C LAOS(-1) Para hacer predicciones con este modelo, en la ventana de la ecuación: FORECAST/ Forecast name=ldji_f_uni / Forecast sample El resultado de las predicciones para LAOS es el siguiente:
7 Gráfico de la serie real con su predicción: También se pueden hacer predicciones acceptando el modelo I(1) para las series. En este caso, las predicciones son muy simples: la predicción para el día siguiente es el valor de la serie ahora: LDJI(T+h T)=LDJI(T) LAOS(T+h T)=LAOS(T) Se puede entonces generar dos series de predicciones para LDJI y de LAOS: SMLP GENR LDJI_F_UNI=@elem(LDJI,245) GENR LAOS_F_UNI=@elem(LAOS,245) 3) Analizaremos el autocorrelograma de DLDJI con DLAOS. Este autocorrrelograma nos permite saber cual es la autocorrelacion entre DLDJI y DLAOS con diferentes retrasos. Autocorrelograma de DLDJI con DLAOS. Seleccionar DLDJI y DLAOS, presionar en Quick/Group Statistics/ Cross Correlogram. Los resultados son los siguientes: se observa que el rendimiento del Dow Jones tiene un efecto importante sobre el rendimiento del AOS. Este autocorrelograma nos indica que la serie DLDJI nos puede ayudar a conseguir un mejor modelo para DLAOS.
8 4) Ahora vamos a estimaremos un modelo VAR bivariante. Cuál es el número óptimo de retrasos para modelizar este sistema? Se puede utilizar el criterio AIC (criterio de información de Akaike) multivariante. Vamos a estimar modelos para 1, 2, 3 y 4 retrasos y compararlos con el criterio Akaike. Primero vamos a estimar un VAR(1): Quick/ Estimate/ VAR El resultado de la estimación es el siguiente:
9 Haremos lo mismo con un VAR(2), VAR(3), VAR(4) y compararemos los resultados. Hay muchos parámetros, con lo cual es dificil analizar la mejor adecuación del modelo a los datos. Para hacer esto, vamos a a mirar los auocorrelogramas de los residuos: En la ventana del VAR, View/ Residual Tests/Correlogram/Lags=50. Para el VAR(1), los resultados son los siguientes:
10 Se puede ver que las autocorrelaciones de los residuos no son significativas. Haremos lo mismo con los otros modelos VAR(2), VAR(3) y VAR(4). Ahora, mirando los R^2 de las ecuaciones, uno puede preguntarse porque son tan bajos en todas estas regresiones? La respuesta es que estamos limitados en este ejercicio por la teoría de la eficiencia de los mercados, que nos dice que debe ser imposible hacer predicciones de los precios financieros. Comparando los 4 modelos, se ve que en todos, los residuos tienen poca autocorrelación, por lo cual es muy dificil decidir entre ellos. El criterio de información de Akaike nos puede ayudar para eso y nos da como modelo preferido el VAR(4). A partir de ahora, sólo consideraremos los resultdos del VAR(4), pero es un buen ejercicio compararlos con los otros modelos. 5) Cuál es el efecto de las innovaciones en el Dow Jones Industrial sobre el rendimiento del All Ordinary Shares? Durante cuánto tiempo se nota este efecto? Para saber esto, tenemos que mirar la funciones Impulse-response. Para calcular las funciones Impulse-Response, se tiene que hacer una hipótesis adicional sobre la dependencia entre las inovaciones de cada una de las series del modelo. Trabajaremos con la opción de defecto de E-views que es la descomposición de Cholesky, con DLDJI como primera variable. Esto significa que identificamos las inovaciones del DLDJI como estructurales. Uno tiene que tener cuidado con la interpretación de los resultados, ya que estos dependen de la hipótesis que hagamos. En objeto VAR, View/Impulse Response/Impulse Definition= Choleky/ Cholesky Ordering dldji dlaos.
11 Como se puede apreciar, las innovaciones pasadas de DLDJI tienen un efecto descreciente sobre el nivel de DLDJI (el efecto de un retraso es significativo, después no es tan claro), lo mismo pasa con DLAOS. Las inovaciones de DLAOS no tienen casi ningún efecto sobre le nivel de DLDJI, pero las innovaciones de DLDJI tienen un efecto muy significativo sobre DLAOS, o sea que cuando el rendimiento es más alto en New York, el rendimiento en Sydney también será más alto. Asimismo, se puede realizar una prueba de causalidad de Granger para asegurarse que el rendimiento de un Mercado tiene efecto significantivo sobre el otro. Para esto en la ventana del VAR(4), se puede presionar en View/ Lag Structure/ Pairwise Ganger Causality Test Los resultados nos confirmen que LDJI causa LDAOS en el sentido de Granger, pero no al revés. 6) Predicción con VAR. A continuación realizaremos predicciones con el modelo multivariante VAR(4) y las compararemos con las predicciones de los modelos univariantes. Para esto hay que gerenerar un objeto MODEL en la ventana del VAR PROCS/ Make Model Luego en la ventana de MODEL, vamos a presionar en SOLVE y poner el SAMPLE de predicción, con la opción Static Solution. Static Solution hace predicciones un período adelante:
12 Gráfico de la serie de incrementos reales y pronóstico un periodo adelante: Se puede constatar que las predicciones de los incrementos son bastante buenas comparadas con el modelo I(1) en el cual, por definición los incrementos son imprevisibles. Para comparar las predicciones con el modelo univariante, vamos a calcular el nivel de la serie que resulta de la predicción de los incrementos. Para todo el SAMPLE, vamos a inicializar la serie laos_f_var con el valor del periodo 244 de LAOS. Luego, cambiando el SAMPLE al periodo de predicción vamos a generar el nivel de la serie de predicción a partir de los incrementos de predicción: SMPL genr laos_f_var=@elem(laos,244) SMPL
13 genr laos_f_var=laos_f_var(-1)+dlaos_0 El gráfico de la serie real y de su prediccion, en el que se puede ver que las predicciones son mucho mejores que las del modelo univariante, es el siguiente,:
Econometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesECONOMETRÍA II Curso: 2009/2010 Práctica 5
ECONOMETRÍA II Curso: 2009/2010 Práctica 5 Prof. Juan de Dios Tena El objetivo de esta práctica es introducir al alumno en los ejercicios de especificación, estimación y análisis de resultados de modelos
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. Elegir el proyecto empírico que se va a realizar durante el curso.
1 1 Características de los datos económicos de series temporales. Procesos estocásticos y series temporales. Estacionareidad y ergodicidad. Función de autocorrelación simple (FAC) y parcial (PAC). (Marcar
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos multivariantes estacionarios: VAR(p). La dependencia temporal. La causalidad en el sentido de Granger. La estimación de los modelos VAR. Profesora:
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no
Más detallesPronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
Más detallesEconometría II Práctica 1. Procesos ARMA Estacionarios Univariantes
Econometría II Práctica 1. Procesos ARMA Estacionarios Univariantes December 4, 2006 1 Introducción En muchas ocasiones, en el análisis de variables económicas, los datos estan disponibles en forma temporal.
Más detallesEJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001
EJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001 CURSO DE TÉCNICAS DE PREVISIÓN DE VARIABLES FINANCIERAS PROGRAMA CITIUS Junio
Más detallesSERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesDIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS. Coordinador: M.F. Esperanza Sainz López
INSTITUTO TECNOLÓGICO AUTONOMO DE MÉXICO DIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS Coordinador: M.F. Esperanza Sainz López Objetivo general: Presentar al alumno algunos modelos cuya estructura dinámica
Más detallesCointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.
Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable
Más detallesGuía de Utilización de E-Views
Guía de Utilización de E-Views 10 de octubre de 2005 Índice general 1. Introducción a E-Views 2 1.1. Distintos tipos de archivos en E-views.............. 2 1.2. Creación de un fichero de trabajo................
Más detallesECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS. Mtro. Horacio Catalán Alonso
ECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS Mtro. Horacio Catalán Alonso Orden de Integración ORDEN DE INTEGRACIÓN Econometría (1) X t = X t-1 + u t Como: E(u t ) = 0 y la Var(u t ) = 2 constante
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and
Más detallesEconometria de Series Temporales
Econometria de Series Temporales Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion >Porque series temporales? ² Inhabilidad de la economia de producir experimentos controlados
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesMetodologías de Pronóstico del Precio de la Energía
Teoría Básica de Series de Tiempo: Box - Jenkins Aplicación Hacia un Modelo Dinámico de Factores Pronósticos Intermedios Pronóstico del Precio de la Energía Validación de Modelos Metodologías de Pronóstico
Más detallesBreve Introducción a EViews
Breve Introducción a EViews Rodolfo Stucchi 11 de octubre de 2006 (Versión Preliminar) Índice general 1. Introducción a EViews 3 1.1. Distintos tipos de archivos en EViews.............. 3 1.2. Creación
Más detallesDiferencia de la tasa de cambio
Ejemplo 1: Prueba de raíz unitaria de Dickey y Fuller Este ejemplo utiliza información del archivo erate1.wf1. Sea LO el logaritmo de la tasa de cambio oficial peso-dólar en Colombia para el período 197:1
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesEs recomendable que el alumno tenga conocimientos básicos de econometría, estadística y algebra lineal.
Introducción La presente especialización presenta un análisis integral de la información de corte y serie temporal en base a uno de los programas mas usados en la vida académica y profesional. La utilidad
Más detallesEvolución de las importaciones totales
ECUACIÓN DE DEMANDA POR IMPORTACIONES 1. Marco Teórico. La importancia del sector externo es innegable, sobre todo porque se trata de uno de los principales motores de crecimiento de la economía chilena.
Más detallesCURSO ECONOMETRÍA BÁSICA MULTISOFTWARE
CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesECONOMETRÍA FUNDAMENTOS, MÉTODOS Y APLICACIONES
ECONOMETRÍA FUNDAMENTOS, MÉTODOS Y APLICACIONES Breve introducción al manejo de Eviews Autor: Dr. Gustavo A. Marrero Díaz Dpto. Fundamentos del Análisis Económico y Economía Cuantitativa II Facultad Ciencias
Más detallesModelación y pronóstico de la estructura temporal de. las tasas de interés de los bonos mexicanos
Modelación y pronóstico de la estructura temporal de las tasas de interés de los bonos mexicanos RESUMEN EJECUTIVO Objetivo El objetivo de este trabajo es determinar un modelo que sea útil para estimar
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
Más detallesINSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO
Más detallesIntroducción al tema de raíces unitarias en la modelación econométrica
Banco Central de Costa Rica Departamento de Investigación Económica DIE-NT-01-2008 SEMINARIO-TALLER TÓPICOS DE ECONOMETRIA APLICADA PARTE I Introducción al tema de raíces unitarias en la modelación econométrica
Más detallesSeries temporales. Series temporales
Series temporales Series temporales Una serie temporal es una variable cuya evolución se sigue a lo largo del tiempo. Para obtenerla tomaremos observaciones de la variable a intervalos regulares de tiempo.
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesEficiencia del Mercado Bursátil Peruano y Efectos del Crecimiento Económico sobre el financiamiento del Sector Privado Período
Eficiencia del Mercado Bursátil Peruano y Efectos del Crecimiento Económico sobre el financiamiento del Sector Privado Período 2002 2012 Josué Wilder Arturo Sánchez Paucar Egresado de la Universidad de
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesLA PARIDAD DEL PODER DE COMPRA ENTRE PERÚ y ESTADOS ( )
LA PARIDAD DEL PODER DE COMPRA ENTRE PERÚ y ESTADOS UNIDOS (1991.01 2011.07) Ponente: Mag. Cornelio TicseNúñez RESUMEN Los resultados obtenidos muestran que los datosnoseajustan a lo que predice la teoría
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA
MODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA Modelización Económica II Referencias: Mills y Markellos (2008) "The Econometric Modelling of Financial Time Series", Cambridge University Press.
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos VAR recursivos. Modelos univariantes dinámicos: los modelos de retardos autoregresivos distribuídos (ADL).Multiplicadores de impacto y de largo Profesora:
Más detallesSeminario Regional Proyecto: Fortaleciendo las Capacidades de Análisis de la Política Macroeconómica en Centroamérica y El Caribe
Estimación: de una Función de Demanda Mensual por Emisión Monetaria (1997-2004) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico. Seminario Regional Proyecto: Fortaleciendo las
Más detallesESTUDIO SOBRE LOS DETERMINANTES DE LA INVERSION
ESTUDIO SOBRE LOS DETERMINANTES DE LA INVERSION Jorge Pérez Sánchez Carlos E. Cezario de Melo Loreto del Pozo Calzada 1 Abstract En este trabajo se pretende verificar la validez de la función de inversión
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesGestión de datos en Eviews
Gestión de datos en Eviews 1.- Entrada-salida del sistema Para entrar en Eviews6 debemos llamar al Eviews.exe bien ejecutándolo explícitamente o haciendo doble click sobre el icono correspondiente. Para
Más detallesCOMENTARIOS AL LIBRO ECONOMETRÍA CON APLICACIONES de Eduardo Loría
Hermosillo Sonora, otoño de 2007. COMENTARIOS AL LIBRO ECONOMETRÍA CON APLICACIONES de Eduardo Loría Francisco Cienfuegos Velasco Es un honor para mí presentar el Libro del Dr. Eduardo Loría, presente
Más detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detallesEjercicio de Residuos Recursivos
Ejercicio de Residuos Recursivos Econometría Citar como: Zamora, MM (00): "Ejercicio de Residuos Recursivos", [en línea] 5campus.org, Econometría [y añadir fecha
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesEstimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado
Estimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado Contenido Qué vamos a ver? Introducción Antecedentes Objetivos
Más detallesFigura 1.1. En está primera zona podemos acceder a los diferentes menús desplegables (aplicaciones de tipo Windows):
Profesor : Douglas C. Ramírez Ayudante : Alberto Valenzuela N. Fecha : Primer Semestre 2005 CAPITULO1 Inicio de Eviews y comandos 1.1. Zona de trabajo Para comenzar a trabajar con el programa Eviews, se
Más detallesModelo Econométrico Empleo en México
Memoria del XXI Coloquio Mexicano de Economía Matemática y Econometría Modelo Econométrico Empleo en México Mónica González Morales 1 Introducción 2000 a 2010 trimestralmente comprar productos fabricados
Más detallesSeries Temporales. Teresa Villagarcía
Series Temporales Teresa Villagarcía 1 1. Introducción. El estudio de series temporales tiene por objeto analizar la evolución de una variable a través del tiempo. La diferencia esencial entre las series
Más detallesUSO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-87-003-IT USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE Ana Cecilia Kikut V. OCTUBRE, 003 Entre los diferentes
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesPUEDEN SER UTILIZADOS LOS TIPOS FORWARD PARA MEJORAR LAS PREDICCIONES DE TIPOS DE INTERÉS FUTUROS? Giovana Muñoz Sagarvinaga
PUEDEN SER UTILIZADOS LOS TIPOS FORWARD PARA MEJORAR LAS PREDICCIONES DE TIPOS DE INTERÉS FUTUROS? Giovana Muñoz Sagarvinaga Trabajo de investigación 007/014 Master en Banca y Finanzas Cuantitativas Tutor:
Más detallesEXPORTACIÓN DE PRODUCTOS AGROECOLÓGICOS DEL SECTOR NO TRADICIONAL PARA EL CRECIMIENTO ECONÓMICO Y PRODUCTIVO DE BOLIVIA, CASO QUINUA ( )
UNIVERSIDAD MAYOR DE SAN ANDRÉS FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS CARRERA DE ECONOMIA TESIS DE GRADO EXPORTACIÓN DE PRODUCTOS AGROECOLÓGICOS DEL SECTOR NO TRADICIONAL PARA EL CRECIMIENTO ECONÓMICO
Más detallesBENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD DE CIENCIAS FÍSICO MATEMÁTICAS Tesis presentada como requisito para obtener el título de la Licenciatura en Actuaría MODELACIÓN DE LAS VARIACIONES DEL
Más detallesCointegración El caso bivariado
Cointegración El caso bivariado Definición: La serie Y t es integrada de orden d (denotada I(d)) si al menos debe ser diferenciada d veces para que sea estacionaria. Ejemplos: 1. El proceso random walk
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más detallesDISEÑO METODOLÓGICO Ámbito de la Investigación: Unidad(es) de análisis o estudio:
Método de la Investigación Diseño de la Investigación DISEÑO METODOLÓGICO Ámbito de la Investigación: Unidad(es) de análisis o estudio: Universo: Población: Muestra: Técnica de muestreo: Instrumentos y
Más detallesAnálisis de la covarianza
Análisis de la covarianza Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Enero 2002 El análisis de la covarianza es una técnica estadística
Más detallesSeries Temporales Curso 2014 2015
Universidad del País Vasco Aeman ta zabal zazu Euskal Herriko Unibertsitatea Programa de la asignatura Series Temporales Curso 2014 2015 Profesores: Ana Cebrián (Univ. de Zaragoza) Fernando Tusell (UPV/EHU)
Más detallesLa asignatura proporciona al alumno los conceptos básicos de estadística. Se organiza el temario en cinco unidades.
1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Carrera: Clave de la asignatura: Muestreo y Regresión. Ingeniería Forestal. FOC-1027 SATCA: 2 2 4 2.- PRESENTACIÓN. Caracterización de la asignatura.
Más detallesAHORRO Y CRECIMIENTO ECONÓMICO: EVIDENCIA EMPÍRICA DE CAUSALIDAD PARA EL PERÍODO
AHORRO Y CRECIMIENTO ECONÓMICO: EVIDENCIA EMPÍRICA DE CAUSALIDAD PARA EL PERÍODO 1970-2002 AUTORES: Julio César Tomalá González 1 Manuel P. González Astudillo 2 1 Economista en Gestión Empresarial, Especialización
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesMecanismos de transmision de la política monetaria a la renta fija en Colombia
2 Mecanismos de transmision de la política monetaria a la renta fija en Colombia Germán Aguirre Duran y Juan Andres Delgado Navarrete RESUMEN En este trabajo se realiza un Vector Autorregresivo (VAR) con
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesModelos de predicción. Presentación de la asignatura
Modelos de predicción Presentación de la asignatura Profesores María Jesús Sánchez Naranjo (mariajesus.sanchez@upm.es) Carolina García-Martos (garcia.martos@upm.es) Qué esperáis de esta asignatura? Qué
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesLa relación de largo plazo entre la base monetaria y el nivel de precios en Venezuela: 1950-2002
Colección Banca Central y Sociedad BANCO CENTRAL DE VENEZUELA La relación de largo plazo entre la base monetaria y el nivel de precios en Venezuela: 1950-2002 Víctor Olivo Serie Documentos de Trabajo Gerencia
Más detallesModelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error)
Modelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error) Presentado por Juan Muro Motivación Para entender en profundidad la
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
Más detallesControl Estadístico de Procesos Capacidad de Proceso
Control Estadístico de Procesos Capacidad de Proceso Un proceso de fabricación es un conjunto de equipos, materiales, personas y métodos de trabajo que genera un producto fabricado. Maquinaria Métodos
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesMODELOS DE ECUACIONES SIMULTANEAS
Universidad de Murcia Workshop Grupo de computación paralela 15 de Diciembre de 2010 1 Modelos de Ecuaciones Simultáneas. 2 3 4 Conceptos previos. La regresión lineal es un método matemático que modeliza
Más detallesANÁLISIS EN EL DOMINIO DEL TIEMPO
Matemáticas y Estadística aplicada POLITÉCNICA ANÁLISIS EN EL DOMINIO DEL TIEMPO Indice de contenidos: INTRODUCCIÓN MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973): De Procesos estacionarios De Procesos
Más detallesAnálisis de series de tiempo univariante aplicando metodología de Box-Jenkins para la predicción de ozono en la ciudad de Cali, Colombia
Revista Facultad de Ingeniería N. o 39. pp. 79-88. Marzo, 2007 Análisis de series de tiempo univariante aplicando metodología de Box-Jenkins para la predicción de ozono en la ciudad de Cali, Colombia Mauricio
Más detallesCapítulo 22. ESTIMACIÓN Y SIMULACIÓN DE SISTEMAS MULTIECUACIONALES
Capítulo 22. ESTIMACIÓN Y SIMULACIÓN DE SISTEMAS MULTIECUACIONALES 22.1 SUPUESTOS EN LA ESTIMACIÓN DE MÚLTIPLE ECUACIONES... 956 22.2 ESTIMACIÓN DE MODELOS LINEALES DE ECUACIONES MÚLTIPLES... 958 TÉCNICAS
Más detallesTécnicas de Predicción Solución Examen Final
Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas
Más detallesRevista Ingenierías Universidad de Medellín ISSN: Universidad de Medellín Colombia
Revista Ingenierías Universidad de Medellín ISSN: 1692-3324 revistaingenierias@udem.edu.co Universidad de Medellín Colombia Pérez Ramírez, Fredy Ocaris; Fernández Castaño, Horacio Análisis de la volatilidad
Más detallesINTRODUCCIÓN: OBJETIVOS, HIPÓTESIS Y ESTRUCTURA MARCO CONCEPTUAL: SOBRE LOS SERVICIOS Y LA PRODUCTIVIDAD
INDICE DE CONTENIDOS INTRODUCCIÓN: OBJETIVOS, HIPÓTESIS Y ESTRUCTURA Una reflexión personal como introducción 14 Justificación y relevancia del estudio 15 Objetivos e hipótesis de investigación 18 Método
Más detallesSERIES TEMPORALES LIBROS Y CUADERNOS DE MATEMÁTICA. La ciencia y el arte de la modelación y los pronósticos HOLGER CAPA SANTOS
LIBROS Y CUADERNOS DE MATEMÁTICA DE LA ESCUELA POLITÉCNICA NACIONAL HOLGER CAPA SANTOS SERIES TEMPORALES La ciencia y el arte de la modelación y los pronósticos Libro de Matemática No. 14 SERIES TEMPORALES:
Más detallesANÁLISIS DE DATOS. L.A. y M.C.E. Emma Linda Diez Knoth
ANÁLISIS DE DATOS 1 Tipos de Análisis en función de la Naturaleza de los Datos Datos cuantitativos Datos cualitativos Análisis cuantitativos Análisis cuantitativos de datos cuantitativos (Estadística)
Más detalles2. APLICAR A LAS SERIES PRUEBAS DE RAICES UNITARIAS 2 3. CALCULO DE VECTORES AUTOREGRESIVOS 6
MATERIAL DE APOYO/SERIES DE TIEMPO INDICE 1. GRAFICAR DATOS 1 2. APLICAR A LAS SERIES PRUEBAS DE RAICES UNITARIAS 2 3. CALCULO DE VECTORES AUTOREGRESIVOS 6 4. CORRECCIÓN DE LA VIOLACIÓN DE LOS SUPUESTOS
Más detallesUNIVERSIDAD PILOTO DE COLOMBIA PLAN ANALÍTICO DEL PROGRAMA FACULTAD DE INGENIERIA PROGRAMA DE INGENIERIA FINANCIERA
UNIVERSIDAD PILOTO DE COLOMBIA PLAN ANALÍTICO DEL PROGRAMA FACULTAD DE INGENIERIA PROGRAMA DE INGENIERIA FINANCIERA PRESENTACIÓN DEL CURSO O ESPACIO ACADÉMICO Nombre del curso SERIES DE TIEMPO Código del
Más detallesSeries temporales: Modelos heterocedásticos condicionales. Una aplicación usando R. Alexander Carvajal
Series temporales: Modelos heterocedásticos condicionales. Una aplicación usando R. Alexander Carvajal Universidad de Granada Departamento de Estadística e Investigación Operativa Granada, España 2014
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detallesIntervalos de confianza para los índices de capacidad C pm y C pmk en procesos estacionarios gaussianos
Revista Colombiana de Estadística Volumen 29 N o 2. pp. 153 a 162. Diciembre 2006 Intervalos de confianza para los índices de capacidad C pm y C pmk en procesos estacionarios gaussianos Confidence Intervals
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesGUÍA DE MANEJO DEL PROGRAMA E-VIEWS. Capítulo I. Conceptos básicos. Creación de un fichero de trabajo.
GUÍA DE MANEJO DEL PROGRAMA E-VIEWS Capítulo I. Conceptos básicos. Creación de un fichero de trabajo. Ramón Mahía Febrero 2001 pg.1 CAPÍTULO I Conceptos básicos. Creación de un fichero de trabajo I.A.-
Más detallesMaxima Verosimilitud [Escribir el subtítulo del documento] Valores que hacen mas verosímil la información
Maxima Verosimilitud [Escribir el subtítulo del documento] Valores que hacen mas verosímil la información Theodoro Perez Brito 24/05/2009 1. Principio de la máxima Verosimilitud: Supongamos que la distribución
Más detalles